CN110717936A - 一种基于相机姿态估计的图像拼接方法 - Google Patents
一种基于相机姿态估计的图像拼接方法 Download PDFInfo
- Publication number
- CN110717936A CN110717936A CN201910978286.3A CN201910978286A CN110717936A CN 110717936 A CN110717936 A CN 110717936A CN 201910978286 A CN201910978286 A CN 201910978286A CN 110717936 A CN110717936 A CN 110717936A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- camera
- updated
- characteristic point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 239000013598 vector Substances 0.000 claims abstract description 39
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 238000013519 translation Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于相机姿态估计的图像拼接方法,它属于计算机视觉与图像处理技术领域。本发明解决了现有图像拼接方法存在的拼接结果畸变严重以及拼接效率低的问题。本发明通过以下步骤实现:1.对图像提取并匹配特征点;2.对特征点对进行分类和筛选;3.估计相机的焦距、平移矩阵、旋转矩阵参数;4.对相机的姿态进行折中更新;5.计算每类点对所在平面的法向量;6.进行图像变换与拼接。本发明可以应用于不同视角下、相同场景图像的拼接。
Description
技术领域
本发明属于计算机视觉与图像处理技术领域,具体涉及一种基于相机姿态估计的图像拼接方法。
背景技术
基于特征的图像拼接方法是通过建立图像特征点间的对应关系求解图像间的变换关系。该方法相比于基于灰度值的图像拼接方法计算量较小,而且结果较稳定,是常用的主流方法。然而目前大部分图像拼接软件中用到的方法是估计图像间全局变换关系,仅仅在相机姿态只有旋转情况或场景在一个平面时才能获得好的拼接效果,而对于现实中更为一般的情况,却出现重影等错误拼接结果。近年学术界提出局部变换模型和网格优化等方法来解决这个问题,但是也会出现拼接结果畸变严重以及拼接效率低等问题。所以,研究一种高效且能够获得更准确更自然全景图的图像拼接方法很重要。
发明内容
本发明的目的是为解决现有图像拼接方法存在的拼接结果畸变严重以及拼接效率低的问题,而提出了一种基于相机姿态估计的图像拼接方法。
本发明为解决上述技术问题采取的技术方案是:一种基于相机姿态估计的图像拼接方法,该方法包括以下步骤:
步骤一、分别在不同视角下,利用相机拍摄两张相同场景的图像Ip和Iq,并分别对图像Ip和Iq进行特征点的提取;
步骤二、对集合S中包含的特征点对进行筛选,并获得筛选出的特征点对的类别;筛选出来的特征点对的集合S1为:N1为筛选出的特征点对的个数,其中:第i′个特征点对的类别号为ci′,ci′=1,...,n,n为类别的个数;
并分别获得集合S1中每类内的特征点对间的单应性变换矩阵,其中:第k类内的特征点对间的单应性变换矩阵为Hk,k=1,...,n;
步骤三、根据步骤二获得的单应性变换矩阵Hk,分别估计出与每类内特征点对相对应的相机焦距值fk,再根据相机焦距值fk选取出初始相机焦距值f0;
步骤四、根据步骤二得到的集合S1和步骤三得到的初始相机焦距值f0,来估计相机的焦距f和本质矩阵E;
对获得的本质矩阵E进行分解,得到两个不同视角下,相机间的旋转矩阵R和平移矩阵t;
步骤五、设拍摄图像Ip的视角下,相机相对于世界坐标系的旋转矩阵Rp为单位阵、平移矩阵tp为0向量,则拍摄图像Iq的视角下,相机相对于世界坐标系的旋转矩阵Rq=RRp=R、平移矩阵tq=Rtp+t=t;
将法向量变换到步骤五获得的更新后的相机姿态下,得到每类内的特征点对所在平面的更新后法向量;
步骤七、根据步骤五获得的更新后的相机姿态,以及步骤六计算出的更新后法向量,对图像Ip和Iq进行变换,得到变换后图像I′p和I′q;
再对变换后的图像I′p和I′q进行图像拼接融合,对于图像I′p和I′q重叠的区域,计算重叠区域中每个像素点的像素均值,将计算出的像素均值作为对应像素点的像素值;对于图像I′p和I′q不重叠的区域,则维持原像素值,得到拼接后的图像Ipq。
本发明的有益效果是:本发明提出了一种基于相机姿态估计的图像拼接方法,本发明首先对不同视角下,相同场景的两张图像进行特征点提取并匹配后,对获得的特征点对进行分类和筛选;再对筛选出的特征点对进行处理,估计相机的焦距、平移矩阵和旋转矩阵,并对相机的姿态进行折中更新;最后根据筛选出的每类特征点对所在平面的法向量,进行图像变换与拼接。相比于现有的图像拼接方法,本发明方法的图像重叠区域对准效果更准确,即重影现象较少,拼接后的全景图畸变较小,尤其是场景中的平面区域能够保持不弯曲;而且本发明方法的计算量较小,能够显著提高图像拼接的效率。
附图说明
图1是本发明方法的流程图;
图2是本发明的待拼接图像1;
图3是本发明的待拼接图像2;
图4是本发明对图像1和图像2的拼接结果图。
具体实施方式
具体实施方式一:结合图1说明本实施方式。本实施方式所述的一种基于相机姿态估计的图像拼接方法,该方法包括以下步骤:
步骤一、分别在不同视角下,利用相机拍摄两张相同场景的图像Ip和Iq,并采用SIFT(Scale Invariant Feature Transform,尺度不变特征变换)特征点提取方法分别对图像Ip和Iq进行特征点的提取;
再基于FLANN(Fast Libraryfor Approximate Nearest Neighbors,快速最近邻逼近搜索函数库)对从图像Ip和Iq中提取出的特征点进行匹配,得到初始特征点对集合S为:其中:pi为图像Ip的特征点,qi为图像Iq的特征点,N为集合S中特征点对的个数;
所述图像Ip和Iq是在不同视角下的,相同场景的两张图像;
步骤二、采用RANSAC方法(random sample consensus,随机抽样一致性方法)对集合S中包含的特征点对进行筛选,并获得筛选出的特征点对的类别;筛选出来的特征点对的集合S1为:N1为筛选出的特征点对的个数,其中:第i′个特征点对的类别号为ci′,ci′=1,...,n,n为类别的个数;
并分别获得集合S1中每类内的特征点对间的单应性变换矩阵,其中:第k类内的特征点对间的单应性变换矩阵为Hk,k=1,...,n;
步骤三、根据步骤二获得的单应性变换矩阵Hk,分别估计出与每类内特征点对相对应的相机焦距值fk,再根据相机焦距值fk选取出初始相机焦距值f0;
步骤四、根据步骤二得到的集合S1和步骤三得到的初始相机焦距值f0,来估计相机的焦距f和本质矩阵E;
采用SVD分解方法(Singular Value Decomposition,奇异值分解)对获得的本质矩阵E进行分解,得到两个不同视角下,相机间的旋转矩阵R和平移矩阵t;
步骤五、设拍摄图像Ip的视角下,相机相对于世界坐标系的旋转矩阵Rp为单位阵、平移矩阵tp为0向量,则拍摄图像Iq的视角下,相机相对于世界坐标系的旋转矩阵Rq=RRp=R、平移矩阵tq=Rtp+t=t;
采用Rodrigues(罗德里格旋转)公式,分别将旋转矩阵Rp和Rq转化为旋转向量rp和rq,并计算旋转向量rp和rq的平均值再用Rodrigues公式,将平均值转化为旋转矩阵旋转矩阵即为折中旋转矩阵;
将法向量变换到步骤五获得的更新后的相机姿态下,得到每类内的特征点对所在平面的更新后法向量;
步骤七、根据步骤五获得的更新后的相机姿态,以及步骤六计算出的更新后法向量,对图像Ip和Iq进行变换,得到变换后图像I′p和I′q;
再对变换后的图像I′p和I′q进行图像拼接融合,对于图像I′p和I′q重叠的区域,计算重叠区域中每个像素点的像素均值,将计算出的像素均值作为对应像素点的像素值;对于图像I′p和I′q不重叠的区域,则维持原像素值,得到拼接后的图像Ipq。
在特征点提取与匹配过程中,基于SIFT特征点提取算法和FLANN快速最近邻搜索库的方法能快速建立特征点对应关系。
本实施方式可以应用于,现实中一般拍摄场景的相机姿态变换同时存在旋转和平移的情况。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤二中,对集合S中包含的特征点对进行筛选,并获得筛选出的特征点对的类别,其具体过程为:
步骤二一、设经过筛选后剩余的特征点对的集合为S′,将集合S′初始化为步骤一中的初始特征点对集合S;并将筛选出的特征点对的集合S1初始化为空集,将集合S1中包含的特征点对的类别个数n初始化为0;
步骤二二、采用RANSAC方法对集合S′进行提取内点,提取出来的内点特征点对的集合为sn+1,内点特征点对间的单应性变换矩阵为Hn+1;
从集合S′中剔除掉提取出来的内点特征点对后,获得剩余的特征点对的集合,即获得更新后的集合S′;
其中RANSAC算法选取的模型是单应性矩阵变换模型,内点距离阈值为3,迭代次数为500;
步骤二三、如果集合sn+1中特征点对的个数大于等于15,则将sn+1中包含的特征点对的类别序号设为n+1后,将集合sn+1中包含的特征点对加入到集合S1中,获得更新后的集合S1,将集合sn+1清空,并将集合S1中包含的特征点对的类别数n加1;
步骤二四、重复步骤二二到步骤二三的过程,继续对更新后的集合S′进行处理,直至集合sn+1中包含的特征点对的个数小于15,得到集合S1中包含的特征点对,以及集合S1中包含的特征点对的类别号。
具体实施方式三:本实施方式与具体实施方式二不同的是:所述步骤三的具体过程为:
具体实施方式四:本实施方式与具体实施方式三不同的是:所述步骤四中,根据步骤二得到的集合S1和步骤三得到的初始相机焦距值f0,来估计相机的焦距f和本质矩阵E,其具体过程为:
步骤四一、在初始相机焦距值f0附近的[0.5f0,2f0]范围内,每隔0.01f0进行一次采样,得到相机焦距值集合F={fm=0.5f0+m×0.01f0,m=0,1,...,150},其中:fm代表第m次采样对应的相机焦距值;
步骤四二、根据集合F中的每个相机焦距值fm,基于五点算法和RANSAC算法分别对集合S1估计一个本质矩阵Em,并获得fm对应的内点个数nm;
则对极几何描述方程为:
其中:Em为fm对应的本质矩阵,中间变量矩阵cx和cy分别为图像Ip宽度和高度的一半,图像Ip与图像Iq的宽度和高度均相同;上角标T代表矩阵的转置,上角标-1代表矩阵的逆;以图像Ip的左下角顶点为坐标原点O,以图像Ip的宽为x轴,以图像Ip的高为y轴,建立直角坐标系xOy,为特征点pi′在直角坐标系xOy下的坐标,以图像Iq的左下角顶点为坐标原点O′,以图像Iq的宽为x′轴,以图像Iq的高为y′轴,建立直角坐标系x′O′y′,为特征点qi′在直角坐标系x′O′y′下的坐标;
步骤四三、选取对应的内点个数最多的相机焦距值fm作为相机的焦距f,并将内点个数最多的相机焦距值fm对应的Em作为相机的本质矩阵E。
具体实施方式五:本实施方式与具体实施方式四不同的是:所述步骤四二中,获得fm对应的内点个数nm的具体过程为:
遍历集合S1中的全部特征点对,若集合S1包含的特征点对(pi′,qi′)中的点qi′到极线的直线距离小于3像素值,则特征点对(pi′,qi′)为fm的内点,否则,特征点对(pi′,qi′)不为fm的内点;
极线方程为:
其中:x和y为极线方程的变量。
具体实施方式七:本实施方式与具体实施方式六不同的是:所述步骤六的具体过程为:
第k类中的特征点对所在平面的法向量为nk,k=1,...,n;
Hk=K(R+tnk)K-1
同理,得到其他类中的特征点对所在平面的更新后的法向量。
具体实施方式八:本实施方式与具体实施方式七不同的是:所述步骤七中,根据步骤五获得的更新后的相机姿态,以及步骤六计算出的更新后法向量,对图像Ip和Iq进行变换,得到变换后图像I′p和I′q,其具体过程为:
步骤七一、在图像Ip中选取网格点,相邻网格点的间隔为40像素,获得网格点集合V为V={p′i″,i″=1,...,N2},N2为网格点集合V中网格点的个数,p′i″为集合V中的第i″个网格点;
步骤七二、对于网格点集合V中的任一网格点p′i″,分别计算p′i″与图像Ip在集合S1中的特征点集合P1={pi′,i′=1,...,N1}中每个特征点的欧式距离,从集合P1中选取出与p′i″距离最近的5个点,再计算选取出的5个点所在平面的法向量的均值,将得到的均值作为网格点p′i″的法向量
步骤七四、图像Ip中的像素点p在变换后图像I′p中为像素点p′,则像素点p到像素点p′的变换矩阵为:在图像Ip中,与像素点p最邻近的网格点处的变换矩阵;
根据求得的变换矩阵,将图像Ip中的各个像素点变换到图像I′p中,获得变换后图像I′p;
步骤七五、同理,将图像Iq中的各个像素点变换到图像I′q中,获得变换后图像I′q。
如图4所示,是采用本发明方法对图2和图3的拼接结果图。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种基于相机姿态估计的图像拼接方法,其特征在于,该方法包括以下步骤:
步骤一、分别在不同视角下,利用相机拍摄两张相同场景的图像Ip和Iq,并分别对图像Ip和Iq进行特征点的提取;
再对从图像Ip和Iq中提取出的特征点进行匹配,得到初始特征点对集合S为:其中:pi为图像Ip的特征点,qi为图像Iq的特征点,N为集合S中特征点对的个数;
步骤二、对集合S中包含的特征点对进行筛选,并获得筛选出的特征点对的类别;筛选出来的特征点对的集合S1为:N1为筛选出的特征点对的个数,其中:第i′个特征点对的类别号为ci′,ci′=1,...,n,n为类别的个数;
并分别获得集合S1中每类内的特征点对间的单应性变换矩阵,其中:第k类内的特征点对间的单应性变换矩阵为Hk,k=1,...,n;
步骤三、根据步骤二获得的单应性变换矩阵Hk,分别估计出与每类内特征点对相对应的相机焦距值fk,再根据相机焦距值fk选取出初始相机焦距值f0;
步骤四、根据步骤二得到的集合S1和步骤三得到的初始相机焦距值f0,来估计相机的焦距f和本质矩阵E;
对获得的本质矩阵E进行分解,得到两个不同视角下,相机间的旋转矩阵R和平移矩阵t;
步骤五、设拍摄图像Ip的视角下,相机相对于世界坐标系的旋转矩阵Rp为单位阵、平移矩阵tp为0向量,则拍摄图像Iq的视角下,相机相对于世界坐标系的旋转矩阵Rq=RRp=R、平移矩阵tq=Rtp+t=t;
将法向量变换到步骤五获得的更新后的相机姿态下,得到每类内的特征点对所在平面的更新后法向量;
步骤七、根据步骤五获得的更新后的相机姿态,以及步骤六计算出的更新后法向量,对图像Ip和Iq进行变换,得到变换后图像I′p和I′q;
再对变换后的图像I′p和I′q进行图像拼接融合,对于图像I′p和I′q重叠的区域,计算重叠区域中每个像素点的像素均值,将计算出的像素均值作为对应像素点的像素值;对于图像I′p和I′q不重叠的区域,则维持原像素值,得到拼接后的图像Ipq。
2.根据权利要求1所述的一种基于相机姿态估计的图像拼接方法,其特征在于,所述步骤二中,对集合S中包含的特征点对进行筛选,并获得筛选出的特征点对的类别,其具体过程为:
步骤二一、设经过筛选后剩余的特征点对的集合为S′,将集合S′初始化为步骤一中的初始特征点对集合S;并将筛选出的特征点对的集合S1初始化为空集,将集合S1中包含的特征点对的类别个数n初始化为0;
步骤二二、采用RANSAC方法对集合S′进行提取内点,提取出来的内点特征点对的集合为sn+1,内点特征点对间的单应性变换矩阵为Hn+1;
从集合S′中剔除掉提取出来的内点特征点对后,获得剩余的特征点对的集合,即获得更新后的集合S′;
步骤二三、如果集合sn+1中特征点对的个数大于等于15,则将sn+1中包含的特征点对的类别序号设为n+1后,将集合sn+1中包含的特征点对加入到集合S1中,获得更新后的集合S1,将集合sn+1清空,并将集合S1中包含的特征点对的类别数n加1;
步骤二四、重复步骤二二到步骤二三的过程,继续对更新后的集合S′进行处理,直至集合sn+1中包含的特征点对的个数小于15,得到集合S1中包含的特征点对,以及集合S1中包含的特征点对的类别号。
4.根据权利要求3所述的一种基于相机姿态估计的图像拼接方法,其特征在于,所述步骤四中,根据步骤二得到的集合S1和步骤三得到的初始相机焦距值f0,来估计相机的焦距f和本质矩阵E,其具体过程为:
步骤四一、在初始相机焦距值f0附近的[0.5f0,2f0]范围内,每隔0.01f0进行一次采样,得到相机焦距值集合F={fm=0.5f0+m×0.01f0,m=0,1,...,150},其中:fm代表第m次采样对应的相机焦距值;
步骤四二、根据集合F中的每个相机焦距值fm,分别对集合S1估计一个本质矩阵Em,并获得fm对应的内点个数nm;
对极几何描述方程为:
其中:Em为fm对应的本质矩阵,中间变量矩阵cx和cy分别为图像Ip宽度和高度的一半,图像Ip与图像Iq的宽度和高度均相同;上角标T代表矩阵的转置,上角标-1代表矩阵的逆;以图像Ip的左下角顶点为坐标原点O,以图像Ip的宽为x轴,以图像Ip的高为y轴,建立直角坐标系xOy,为特征点pi′在直角坐标系xOy下的坐标,以图像Iq的左下角顶点为坐标原点O′,以图像Iq的宽为x′轴,以图像Iq的高为y′轴,建立直角坐标系x′O′y′,为特征点qi′在直角坐标系x′O′y′下的坐标;
步骤四三、选取对应的内点个数最多的相机焦距值fm作为相机的焦距f,并将内点个数最多的相机焦距值fm对应的Em作为相机的本质矩阵E。
8.根据权利要求7所述的一种基于相机姿态估计的图像拼接方法,其特征在于,所述步骤七中,根据步骤五获得的更新后的相机姿态,以及步骤六计算出的更新后法向量,对图像Ip和Iq进行变换,得到变换后图像I′p和I′q,其具体过程为:
步骤七一、在图像Ip中选取网格点,相邻网格点的间隔为40像素,获得网格点集合V为V={p′i″,i″=1,...,N2},N2为网格点集合V中网格点的个数,p′i″为集合V中的第i″个网格点;
步骤七二、对于网格点集合V中的任一网格点p′i″,分别计算p′i″与图像Ip在集合S1中的特征点集合P1={pi′,i′=1,...,N1}中每个特征点的欧式距离,从集合P1中选取出与p′i″距离最近的5个点,再计算选取出的5个点所在平面的法向量的均值,将得到的均值作为网格点p′i″的法向量
步骤七四、图像Ip中的像素点p在变换后图像I′p中为像素点p′,则像素点p到像素点p′的变换矩阵为:在图像Ip中,与像素点p最邻近的网格点处的变换矩阵;
根据求得的变换矩阵,将图像Ip中的各个像素点变换到图像I′p中,获得变换后图像I′p;
步骤七五、同理,将图像Iq中的各个像素点变换到图像I′q中,获得变换后图像I′q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978286.3A CN110717936B (zh) | 2019-10-15 | 2019-10-15 | 一种基于相机姿态估计的图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978286.3A CN110717936B (zh) | 2019-10-15 | 2019-10-15 | 一种基于相机姿态估计的图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717936A true CN110717936A (zh) | 2020-01-21 |
CN110717936B CN110717936B (zh) | 2023-04-28 |
Family
ID=69211693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978286.3A Active CN110717936B (zh) | 2019-10-15 | 2019-10-15 | 一种基于相机姿态估计的图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717936B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325792A (zh) * | 2020-01-23 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 用于确定相机位姿的方法、装置、设备和介质 |
CN111429358A (zh) * | 2020-05-09 | 2020-07-17 | 南京大学 | 一种基于平面区域一致的图像拼接方法 |
CN111899174A (zh) * | 2020-07-29 | 2020-11-06 | 北京天睿空间科技股份有限公司 | 基于深度学习的单摄像头旋转拼接方法 |
CN113034362A (zh) * | 2021-03-08 | 2021-06-25 | 桂林电子科技大学 | 一种高速公路隧道监控全景影像拼接方法 |
CN113327198A (zh) * | 2021-06-04 | 2021-08-31 | 武汉卓目科技有限公司 | 一种远距离双目视频拼接方法及*** |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6009190A (en) * | 1997-08-01 | 1999-12-28 | Microsoft Corporation | Texture map construction method and apparatus for displaying panoramic image mosaics |
US6018349A (en) * | 1997-08-01 | 2000-01-25 | Microsoft Corporation | Patch-based alignment method and apparatus for construction of image mosaics |
WO2012058902A1 (zh) * | 2010-11-02 | 2012-05-10 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
EP2518688A1 (en) * | 2009-12-21 | 2012-10-31 | Huawei Device Co., Ltd. | Method and device for splicing images |
WO2012175029A1 (zh) * | 2011-06-22 | 2012-12-27 | 华为终端有限公司 | 多投影拼接几何校正方法及校正装置 |
US20130329072A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Motion-Based Image Stitching |
JP2015046040A (ja) * | 2013-08-28 | 2015-03-12 | Kddi株式会社 | 画像変換装置 |
CN105069750A (zh) * | 2015-08-11 | 2015-11-18 | 电子科技大学 | 一种基于图像特征点的最优投影柱面半径确定方法 |
US20170018086A1 (en) * | 2015-07-16 | 2017-01-19 | Google Inc. | Camera pose estimation for mobile devices |
CN106355550A (zh) * | 2016-10-31 | 2017-01-25 | 微景天下(北京)科技有限公司 | 图像拼接***和图像拼接方法 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
US20170124680A1 (en) * | 2014-10-31 | 2017-05-04 | Fyusion, Inc. | Stabilizing image sequences based on camera rotation and focal length parameters |
CN108122191A (zh) * | 2016-11-29 | 2018-06-05 | 成都观界创宇科技有限公司 | 鱼眼图像拼接成全景图像和全景视频的方法及装置 |
CN108317953A (zh) * | 2018-01-19 | 2018-07-24 | 东北电力大学 | 一种基于无人机的双目视觉目标表面3d检测方法及*** |
CN109005334A (zh) * | 2018-06-15 | 2018-12-14 | 清华-伯克利深圳学院筹备办公室 | 一种成像方法、装置、终端和存储介质 |
CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接*** |
WO2018232518A1 (en) * | 2017-06-21 | 2018-12-27 | Vancouver Computer Vision Ltd. | DETERMINING POSITIONS AND OBJECT ORIENTATIONS |
CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
CN109840884A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 一种图像拼接方法、装置及电子设备 |
CN110120010A (zh) * | 2019-04-12 | 2019-08-13 | 嘉兴恒创电力集团有限公司博创物资分公司 | 一种基于相机图像拼接的立体货架视觉盘点方法和*** |
-
2019
- 2019-10-15 CN CN201910978286.3A patent/CN110717936B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018349A (en) * | 1997-08-01 | 2000-01-25 | Microsoft Corporation | Patch-based alignment method and apparatus for construction of image mosaics |
US6009190A (en) * | 1997-08-01 | 1999-12-28 | Microsoft Corporation | Texture map construction method and apparatus for displaying panoramic image mosaics |
EP2518688A1 (en) * | 2009-12-21 | 2012-10-31 | Huawei Device Co., Ltd. | Method and device for splicing images |
WO2012058902A1 (zh) * | 2010-11-02 | 2012-05-10 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
WO2012175029A1 (zh) * | 2011-06-22 | 2012-12-27 | 华为终端有限公司 | 多投影拼接几何校正方法及校正装置 |
US20130329072A1 (en) * | 2012-06-06 | 2013-12-12 | Apple Inc. | Motion-Based Image Stitching |
JP2015046040A (ja) * | 2013-08-28 | 2015-03-12 | Kddi株式会社 | 画像変換装置 |
US20170124680A1 (en) * | 2014-10-31 | 2017-05-04 | Fyusion, Inc. | Stabilizing image sequences based on camera rotation and focal length parameters |
US20170018086A1 (en) * | 2015-07-16 | 2017-01-19 | Google Inc. | Camera pose estimation for mobile devices |
CN105069750A (zh) * | 2015-08-11 | 2015-11-18 | 电子科技大学 | 一种基于图像特征点的最优投影柱面半径确定方法 |
CN106355550A (zh) * | 2016-10-31 | 2017-01-25 | 微景天下(北京)科技有限公司 | 图像拼接***和图像拼接方法 |
CN108122191A (zh) * | 2016-11-29 | 2018-06-05 | 成都观界创宇科技有限公司 | 鱼眼图像拼接成全景图像和全景视频的方法及装置 |
CN106600592A (zh) * | 2016-12-14 | 2017-04-26 | 中南大学 | 一种基于连续帧图像拼接的轨道长弦测量方法 |
WO2018232518A1 (en) * | 2017-06-21 | 2018-12-27 | Vancouver Computer Vision Ltd. | DETERMINING POSITIONS AND OBJECT ORIENTATIONS |
CN109840884A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 一种图像拼接方法、装置及电子设备 |
CN108317953A (zh) * | 2018-01-19 | 2018-07-24 | 东北电力大学 | 一种基于无人机的双目视觉目标表面3d检测方法及*** |
CN109005334A (zh) * | 2018-06-15 | 2018-12-14 | 清华-伯克利深圳学院筹备办公室 | 一种成像方法、装置、终端和存储介质 |
CN109064404A (zh) * | 2018-08-10 | 2018-12-21 | 西安电子科技大学 | 一种基于多相机标定的全景拼接方法、全景拼接*** |
CN109767388A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于超像素提升图像拼接质量的方法、移动终端、相机 |
CN110120010A (zh) * | 2019-04-12 | 2019-08-13 | 嘉兴恒创电力集团有限公司博创物资分公司 | 一种基于相机图像拼接的立体货架视觉盘点方法和*** |
Non-Patent Citations (1)
Title |
---|
张富贵等: "基于SIFT算法的无人机烟株图像快速拼接方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325792A (zh) * | 2020-01-23 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 用于确定相机位姿的方法、装置、设备和介质 |
CN111325792B (zh) * | 2020-01-23 | 2023-09-26 | 抖音视界有限公司 | 用于确定相机位姿的方法、装置、设备和介质 |
CN111429358A (zh) * | 2020-05-09 | 2020-07-17 | 南京大学 | 一种基于平面区域一致的图像拼接方法 |
CN111899174A (zh) * | 2020-07-29 | 2020-11-06 | 北京天睿空间科技股份有限公司 | 基于深度学习的单摄像头旋转拼接方法 |
CN113034362A (zh) * | 2021-03-08 | 2021-06-25 | 桂林电子科技大学 | 一种高速公路隧道监控全景影像拼接方法 |
CN113327198A (zh) * | 2021-06-04 | 2021-08-31 | 武汉卓目科技有限公司 | 一种远距离双目视频拼接方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110717936B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717936A (zh) | 一种基于相机姿态估计的图像拼接方法 | |
US9811946B1 (en) | High resolution (HR) panorama generation without ghosting artifacts using multiple HR images mapped to a low resolution 360-degree image | |
JP6561216B2 (ja) | 光学フローを使用した中間ビューの生成 | |
CN107767339B (zh) | 一种双目立体图像拼接方法 | |
JP5197279B2 (ja) | コンピュータによって実施されるシーン内を移動している物体の3d位置を追跡する方法 | |
CN109389555B (zh) | 一种全景图像拼接方法及装置 | |
CN110111250B (zh) | 一种鲁棒的自动全景无人机图像拼接方法及装置 | |
CN109767388B (zh) | 基于超像素提升图像拼接质量的方法、移动终端、相机 | |
JP2007000205A (ja) | 画像処理装置及び画像処理方法並びに画像処理プログラム | |
CN110853151A (zh) | 一种基于视频的三维立体点集恢复方法 | |
CN111553845B (zh) | 一种基于优化的三维重建的快速图像拼接方法 | |
CN111798373A (zh) | 一种基于局部平面假设及六自由度位姿优化的快速无人机图像拼接方法 | |
CN112862683B (zh) | 一种基于弹性配准和网格优化的邻接图像拼接方法 | |
CN111127353A (zh) | 一种基于块配准和匹配的高动态图像去鬼影方法 | |
JP6272071B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN110580715A (zh) | 一种基于照度约束和格网变形的图像对齐方法 | |
CN110910457B (zh) | 基于角点特征的多光谱立体相机外参计算方法 | |
CN116433822B (zh) | 一种神经辐射场训练方法、装置、设备及介质 | |
CN112365589A (zh) | 一种虚拟三维场景展示方法、装置及*** | |
CN110322476B (zh) | 一种改进stc和surf特征联合优化的目标跟踪方法 | |
CN111829522A (zh) | 即时定位与地图构建方法、计算机设备以及装置 | |
CN111161143A (zh) | 一种光学定位技术辅助的手术视野全景拼接方法 | |
CN112116653B (zh) | 一种多张rgb图片的物体姿态估计方法 | |
CN115456870A (zh) | 基于外参估计的多图像拼接方法 | |
CN114022562A (zh) | 一种保持行人完整性的全景视频拼接方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Xianqiang Inventor after: Zhang Zhihao Inventor after: Gao Huijun Inventor before: Zhang Zhihao Inventor before: Yang Xianqiang Inventor before: Gao Huijun |
|
GR01 | Patent grant | ||
GR01 | Patent grant |